[发明专利]一种基于M-CNN的试卷分数自动统计分析方法和装置

说明书

本发明公开了一种基于M‑CNN的试卷分数自动统计分析方法，其包括以下步骤：步骤1、创建单数字手写数字库和双数字库；步骤2、获取每个单数字Mask区域和双数字Mask区域的像素点位置；步骤3、创建单数字CNN识别模型和双数字CNN识别模型；步骤4、对所述单数字CNN识别模型和双数字CNN识别模型进行训练；步骤5、获取目标图像；步骤6、对所述目标图像进行切割，确定待识别图像；步骤7、获取每个待识别图像的数值；步骤8、得到所述试卷图像的总分数。本发明还提供了一种基于M‑CNN的试卷分数自动统计分析装置。本发明可有效的降低部分计算负担，同时引入SPP网络有效的解决了输入图像尺寸固定的问题。

技术领域

本发明涉及图像处理技术领域，具体为一种基于M-CNN的试卷分数自动统计分析方法和装置。

背景技术

考试是一种有效的教学效果评价手段，也是一种教学活动改进的有效参考手段。因此，考试试题中分数的统计分析就显得格外重要。随着基于卷积神经网络手写数字识别算法的不断涌现，识别精度的不断提高，基于CNN(Convolutional Neural Network)的手写数字应用也越来越广泛。LeNet-5作为手写数字识别的经典算法，识别精度高，模型简单，在实际的应用中具有一定的优势。但是，LeNet-5模型同样具有卷积神经网络的局限性：要求输入的图像大小固定，只能识别单个手写数字。直接应用LeNet-5模型实现试卷分数的统计显然不能满足要求，同时在模型中卷积层的运算时针对整帧图像，对手写数字区域中像素值非零的区域卷积是有意义的，非零区域的卷积显然浪费了计算资源。鉴于此，本发明提出了一种Mask-CNN的试卷分数统计方法。该方法可有效的降低部分计算负担，同时引入SPP(Spatial Pyramid Pooling)有效的解决了输入图像尺寸固定的问题。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供一种基于M-CNN的试卷分数自动统计分析方法，其通过对数字区域依据Mask进行卷积、池化，等操作，将最终SPP(Spatial Pyramid Pooling)网络池化的结果输入全连接层，最终实现对数字的快速准确的识别，统计最终的识别结果，可有效的降低部分计算负担，同时引入SPP网络有效的解决了输入图像尺寸固定的问题。

本发明的目的之二在于提供一种基于M-CNN的试卷分数自动统计分析装置，其通过对数字区域依据Mask进行卷积、池化，等操作，将最终SPP(Spatial Pyramid Pooling)网络池化的结果输入全连接层，最终实现对数字的快速准确的识别，统计最终的识别结果，可有效的降低部分计算负担，同时引入SPP网络有效的解决了输入图像尺寸固定的问题。

为实现上述目的之一，本发明提供如下技术方案：

一种基于M-CNN的试卷分数自动统计分析方法，包括以下步骤：

步骤1、依据Mnist手写数字库创建单数字手写数字库，应用NIST SD19数据集创建双数字库；每个单数字手写数字库的单数字图像称为单数字手写样本，每个双数字库中的双数字图像称为双数字手写样本；

步骤2、提取每个单数字手写样本和双数字手写样本中的非零像素，每个单数字手写样本的非零像素组成单数字Mask区域，每个双数字手写样本的非零像素组成双数字Mask区域，获取每个单数字Mask区域和双数字Mask区域的像素点位置；

步骤3、创建单数字CNN识别模型和双数字CNN识别模型，所述单数字CNN识别模型和双数字CNN识别模型均包括输入层、第一卷积层、池化层、第二卷积层、SPPNET层、全连接层和输出层；